[發明專利]訓練多尺度網絡模型的方法及人臉關鍵點檢測方法

有效

• 申請號: 202211228821.1
• 申請日: 2022-10-09
• 公開（公告）號: CN115376195B
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 林旭新;梁延研;魏紅強;鄭皓文
• 申請（專利權）人: 珠海大橫琴科技發展有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06N3/04;G06N3/08;G06V10/52;G06V10/82
• 代理公司: 深圳市六加知識產權代理有限公司 44372
• 代理人: 孟麗平

本申請實施例涉及神經網絡技術領域，公開了一種訓練多尺度網絡模型的方法及人臉關鍵點檢測方法。其中，所述訓練多尺度網絡模型的方法包括：將第一樣本圖像輸入多尺度神經網絡模型，獲得第一人臉關鍵點預測圖像，所述多尺度神經網絡模型包括特征提取模塊、組合模塊和預測模塊；利用損失函數計算所述第一人臉關鍵點預測圖像和所述第一樣本圖像的真實關鍵點圖像之間的損失，對所述多尺度神經網絡模型進行迭代訓練，直至收斂，得到多尺度網絡模型。本申請能夠實現多尺度特征圖的動態組合，獲得更具識別能力的特征表達，獲得的多尺度網絡模型保證較好的檢測性能上限，可以減少網絡內存占用和加速計算，且利于提高人臉關鍵點的精確定位。

技術領域

本申請實施例涉及神經網絡技術領域，尤其涉及一種訓練多尺度網絡模型的方法及人臉關鍵點檢測方法。

背景技術

人臉關鍵點檢測是一項基礎的人臉分析任務，高效的人臉關鍵點定位有利于人臉識別系統、人臉表情識別等應用的開發。

本申請發明人在實現本申請實施例的過程中，發現：現階段大部分基于深度卷積神經網絡的人臉關鍵點檢測方法都是在設計大參數量網絡，通過較大的計算量來得到精確的人臉關鍵點定位，而輕量級人臉關鍵點檢測方法對于小型設備的部署更加友好，但是，現有技術中卻沒有較大計算量和輕量級人臉檢測方法的結合，現有的檢測模型存在計算量較大的缺陷或檢測精度不夠的缺陷。

發明內容

本申請實施例的目的是提供一種訓練多尺度網絡模型的方法及人臉關鍵點檢測方法，實現多尺度特征圖的動態組合，獲得更具識別能力的特征表達，獲得的多尺度網絡模型保證較好的檢測性能上限，可以減少網絡內存占用和加速計算，且利于提高人臉關鍵點的精確定位。

為解決上述技術問題，本申請實施例采用以下技術方案：

第一方面，本申請實施例中提供給了一種訓練多尺度網絡模型的方法，包括：

將第一樣本圖像輸入多尺度神經網絡模型，獲得第一人臉關鍵點預測圖像，所述多尺度神經網絡模型包括特征提取模塊、組合模塊和預測模塊，所述特征提取模塊用于提取多尺度特征圖，所述多尺度包括多通道和/或多分辨率，所述組合模塊用于基于權重參數加權組合所述多尺度特征圖中的至少兩個以獲取新特征圖，所述預測模塊用于對所述新特征圖進行人臉關鍵點預測，以獲取所述第一人臉關鍵點預測圖像；

利用損失函數計算所述第一人臉關鍵點預測圖像和所述第一樣本圖像的真實關鍵點圖像之間的損失，對所述多尺度神經網絡模型進行迭代訓練，直至收斂，得到多尺度網絡模型；

其中，所述損失函數包括第一損失和第二損失，所述第一損失為所述第一人臉關鍵點預測圖像和所述第一樣本圖像的真實關鍵點圖像之間的誤差，所述第二損失為與各所述權重參數絕對值之和的乘積，為正則化的權重。

在一些實施例中，所述方法還包括：

將所述多尺度網絡模型的各所述權重參數中小于第一剪枝閾值的權重參數置為0，以獲得第一輕量級網絡模型。

在一些實施例中，所述方法還包括：

將所述多尺度網絡模型作為第一教師模型，且將第二樣本圖像輸入所述多尺度網絡模型，獲得第二人臉關鍵點預測圖像作為軟標簽；

將所述第二樣本圖像輸入所述第一輕量級網絡模型，獲得第三人臉關鍵點預測圖像；

計算所述第二人臉關鍵點預測圖像和所述第三人臉關鍵點預測圖像之間的損失，對所述第一輕量級網絡模型進行迭代訓練，直至收斂，得到第二輕量級網絡模型。

在一些實施例中，所述方法還包括：

獲取所述第一輕量級網絡模型的第一對偶網絡模型；

將第三樣本圖像輸入所述第一輕量級網絡模型，獲得第四人臉關鍵點預測圖像；